《Engineering Applications of Artificial Intelligence》：Calibration-free, machine learning based wavelength modulation spectroscopy sensor for fast gas concentration measurements
編輯推薦：
為解決傳統波長調制光譜（WMS）傳感器校準繁瑣、檢測耗時等問題，研究人員開展基于機器學習（ML）回歸算法應用于 WMS 氣體傳感器的研究。結果顯示，定制卷積神經網絡（CNN）效果最佳，能快速準確測定氣體濃度。這提升了檢測效率和精度。
在氣體檢測的領域中，傳統的測量方法就像是老舊的工具，逐漸顯露出諸多弊端�？烧{諧激光吸收光譜（TLAS）中的波長調制光譜（WMS）技術，雖在檢測微弱吸收信號方面有優勢，但常規的 WMS 傳感器校準過程復雜又昂貴，需要使用不同濃度、壓力和溫度的標準混合氣體樣本進行校準。而且，當氣體參數未知或難以確定時，比如在動態氣流、惡劣環境以及燃燒過程中，校準后的傳感器精度會大打折扣。另外，在確定氣體參數時，基于迭代最小二乘擬合的方法計算成本高，測定時間長，嚴重限制了傳感器在需要快速測量氣體濃度動態變化場景中的應用。
面對這些難題，來自國外的研究人員開啟了探索之旅。他們致力于研究將機器學習（ML）回歸算法應用于基于 WMS 的氣體激光傳感器，期望能找到突破困境的方法。最終，他們取得了令人矚目的成果，成功構建了基于機器學習的免校準波長調制光譜氣體傳感器系統，相關研究成果發表在《Engineering Applications of Artificial Intelligence》上。這一成果意義非凡，不僅實現了免校準測量，保證了測量精度，還大幅縮短了傳感器響應時間，為氣體檢測領域帶來了新的曙光。
研究人員在開展研究時，主要運用了以下關鍵技術方法：首先，采用監督學習模型進行回歸任務，用于基于 WMS 諧波信號測量氣體參數。其次，通過生成包含不同條件下 WMS 諧波信號的綜合數據庫，為模型訓練提供數據支持。再者，對多種預訓練的機器學習模型進行測試，如 BR、KNN、RF、SVM、SNN 等，對比其性能表現。最后，重點測試定制卷積神經網絡（CNN），評估其在氣體濃度測量中的準確性和響應時間等指標 。
研究結果
- 預訓練模型性能：研究人員對 BR、KNN、RF、SVM、SNN 等模型在R2f/1f信號數據庫上進行預訓練。結果顯示，利用 ML 模型預測甲烷濃度的時間可少于 0.2 秒（KNN），相比以往的迭代擬合方法，這是巨大的優勢。通過對比訓練和驗證數據集上的甲烷濃度回歸結果以及平均響應時間，為后續選擇更優模型提供了參考。
- 定制 CNN 模型優勢：研究測試了多個預選擇的機器學習模型，其中定制卷積神經網絡（CNN）表現最為出色。在驗證集上，其平均絕對百分比誤差（MAPE）小于 1%；在測試集上，MAPE 為 9.7%。該模型以 7.8% 擴展不確定度的參考氣體混合物收集的實驗信號為基礎進行訓練，能夠實現高精度的氣體濃度測定。這表明 CNN 模型在處理基于激光輻射吸收變化分析的濃度測量任務方面，具有很強的能力。
- 系統性能提升：研究構建了 LWIR 8μm 甲烷氣體傳感器系統，用于評估所提出的方法。該方法通過處理多個歸一化的R2f/1f信號樣本，解決了重疊吸收光譜的復雜性和基于諧波幅度校準方法的局限性問題。最終，深度學習（DL）方法能夠基于吸收信號分析實現準確且免校準的氣體濃度測定，檢測重復性達到吸收系數5.6×10?61/cm，檢測時間從 37 秒縮短至 0.06 秒，極大地提升了傳感器的性能。
研究結論與討論
這項研究成功地將機器學習回歸算法應用于 WMS 氣體傳感器，解決了傳統傳感器校準繁瑣和檢測耗時的問題。定制的 CNN 模型在氣體濃度測量中展現出高準確性和快速響應的優勢，實現了免校準測量，為氣體檢測技術帶來了新的突破。其意義在于，不僅提高了氣體檢測的效率和精度，而且為相關領域，如大氣測量、工業氣體監測等，提供了更可靠的檢測手段。此外，研究中提出的生成綜合數據庫的方法以及對多種模型的評估方式，也為后續類似研究提供了重要的參考和借鑒。未來，有望在此基礎上進一步優化模型，拓展應用場景，推動氣體檢測技術向更高水平發展。
